Fugu-MT 論文翻訳(概要): Using machine learning algorithms to determine the post-COVID state of a person by his rhythmogram

論文の概要: Using machine learning algorithms to determine the post-COVID state of a person by his rhythmogram

arxiv url: http://arxiv.org/abs/2212.13878v1
Date: Fri, 16 Dec 2022 14:32:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 14:14:51.085051
Title: Using machine learning algorithms to determine the post-COVID state of a person by his rhythmogram
Title（参考訳）: 機械学習アルゴリズムを使って、リズムグラムで個人のポストコッド状態を決定する
Authors: Sergey Stasenko, Andrey Kovalchuk, Eremin Evgeny, Natalya Zarechnova, Maria Tsirkova, Sergey Permyakov, Sergey Parin, Sofia Polevaya
Abstract要約: 心電図では,患者の術後状態のマーカーが検出された。症例の心電図信号のこのマーカーは, 術後状態の診断に有効であることが確認された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study we applyed machine-learning algorithms to determine the post-COVID state of a person. During the study, a marker of the post-COVID state of a person was found in the electrocardiogram data. We have shown that this marker in the patient's ECG signal can be used to diagnose a post-COVID state.
Abstract（参考訳）: 本研究では,機械学習アルゴリズムを用いて人物の共生状態を決定する。調査では、心電図データから患者の術後状態のマーカーが検出された。症例の心電図信号のこのマーカーは, 術後状態の診断に有効であることが確認された。

関連論文リスト

Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。 91%の精度でF1スコアが得られた。
論文参考訳（メタデータ） (2024-07-15T12:20:15Z)
EB-GAME: A Game-Changer in ECG Heartbeat Anomaly Detection [7.574088346030774]
本稿では, 心電図における異常信号の検出に, 正規信号のラベルのみをトレーニングデータとして用いた。イメージをパッチに分割して学習し,自動エンコーダをマスクする自己教師型視覚変換器にヒントを得て,脳波異常検出モデルEB-GAMEを導入する。
論文参考訳（メタデータ） (2024-04-08T13:01:59Z)
ElectroCardioGuard: Preventing Patient Misidentification in Electrocardiogram Databases through Neural Networks [0.0]
臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。 PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
論文参考訳（メタデータ） (2023-06-09T18:53:25Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
Using machine learning algorithms to determine the emotional disadaptation of a person by his rhythmogram [0.0]
機械学習アルゴリズムを用いて、人の感情的不適応をリズモグラムで決定する。心電図(ECG)信号は,患者の感情的不適応の登録に利用できることを示す。
論文参考訳（メタデータ） (2022-12-16T12:07:58Z)
Improving ECG Classification Interpretability using Saliency Maps [0.0]
我々は,MIT-BIH不整脈データセットにおいて,各クラスにまたがるモデル決定を可視化する手法を提案する。本稿では,一般化可能性やモデル性能に影響を及ぼす可能性のある問題を見つけるために,これらのマップをどのように利用できるかを強調した。
論文参考訳（メタデータ） (2022-01-10T16:12:25Z)
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文参考訳（メタデータ） (2021-11-26T13:47:34Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文参考訳（メタデータ） (2021-02-21T18:19:49Z)
Creation and Validation of a Chest X-Ray Dataset with Eye-tracking and Report Dictation for AI Development [47.1152650685625]
我々は、人工知能の研究者を支援するために、チェストX線(CXR)画像の豊富なデータセットを開発した。データはアイトラッキングシステムを用いて収集され、放射線学者は1,083 CXR画像でレビューし報告した。
論文参考訳（メタデータ） (2020-09-15T23:12:49Z)
Looking in the Right place for Anomalies: Explainable AI through Automatic Location Learning [51.72146225623288]
我々は、予測された位置をオーバーラップすることを保証した、説明可能なAIへのアプローチを開発する。 ResNet101に基づく後続のアテンション誘導推論ネットワークにバイアスを与えるためにこの期待位置を使用することで、期待位置における異常の分離が実現される。
論文参考訳（メタデータ） (2020-08-02T00:02:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。